使用holyholes实现边缘检测

在此基础上加上NMS算法，

NMS是经常伴随图像区域检测的算法，作用是去除重复的区域

"""-*- coding: utf-8 -*-author： Hao Hu@date   2021/12/2 10:52 PM
"""
import cv2
img_path = 'sample1.jpg'
import numpy as npdef non_max_suppression_fast(boxes, overlapThresh):"""将矩形框中的矩形框去掉"""# 空数组检测if len(boxes) == 0:return []# 将类型转为floatif boxes.dtype.kind == "i":boxes = boxes.astype("float")pick = []# 四个坐标数组x1 = boxes[:, 0]y1 = boxes[:, 1]x2 = boxes[:, 2]y2 = boxes[:, 3]area = (x2 - x1 + 1) * (y2 - y1 + 1)  # 计算面积数组idxs = np.argsort(y2)  # 返回的是右下角坐标从小到大的索引值# 开始遍历删除重复的框while len(idxs) > 0:# 将最右下方的框放入pick数组last = len(idxs) - 1i = idxs[last]pick.append(i)# 找到剩下的其余框中最大的坐标x1y1，和最小的坐标x2y2,xx1 = np.maximum(x1[i], x1[idxs[:last]])yy1 = np.maximum(y1[i], y1[idxs[:last]])xx2 = np.minimum(x2[i], x2[idxs[:last]])yy2 = np.minimum(y2[i], y2[idxs[:last]])# 计算重叠面积占对应框的比例w = np.maximum(0, xx2 - xx1 + 1)h = np.maximum(0, yy2 - yy1 + 1)overlap = (w * h) / area[idxs[:last]]# 如果占比大于阈值，则删除idxs = np.delete(idxs, np.concatenate(([last], np.where(overlap > overlapThresh)[0])))return boxes[pick].astype("int")def get_word_area(img_path):"""得到检测图像中的文本区域，画出轮廓"""mser = cv2.MSER_create()img = cv2.imread(img_path)gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)vis = img.copy()regions, _ = mser.detectRegions(gray)hulls = [cv2.convexHull(p.reshape(-1, 1, 2)) for p in regions]# 绘制目前的矩形文本框# mser = cv2.MSER_create()# cv2.polylines(vis, hulls, 1, (0, 255, 0))keep = []for c in hulls:x, y, w, h = cv2.boundingRect(c)keep.append([x, y, x + w, y + h])'''NMS是经常伴随图像区域检测的算法，作用是去除重复的区域，在人脸识别、物体检测等领域都经常使用，全称是非极大值抑制（non maximum suppression），就是抑制不是极大值的元素，所以用在这里就是抑制不是最大框的框，也就是去除大框中包含的小框'''# 使用NMS算法# keep2 = np.array(keep)# pick = non_max_suppression_fast(keep2, 0.5)# for (startX, startY, endX, endY) in pick:#     cv2.rectangle(vis, (startX, startY), (endX, endY), (255, 185, 120), 2)# 直接使用holyholes算法cv2.polylines(vis, hulls, 1, (0, 255, 0))cv2.imshow("before use NMS", vis)if cv2.waitKey(0) == 9:cv2.destroyAllWindows()if __name__ == '__main__':img_path = 'sample1.jpg'get_word_area(img_path)

使用holyholes实现边缘检测相关推荐

OpenCV 笔记（03）— 读取视频、通过摄像头采集视频、采集视频 canny 边缘检测
我们本节学习如何利用 OpenCV 中的 VideoCapture 类,来对视频进行读取显示,以及调用摄像头. VideoCapture 它提供了从摄像机或视频文件捕获视频的 C++ 接口, 作用是从 ...
OpenCV 笔记（02）— 图像显示、保存、腐蚀、模糊、canny 边缘检测（imread、imshow、namedWindow、imwrite）
OpenCV 提供两种用户界面选项: 基于原生用户界面的基本界面,适用于 Mac OS X 的 cocoa 或 carbon,以及适用于 Linux 或 Windows 用户界面的 GTK ,这些界面 ...
Android OpenCV 边缘检测 Canny 的使用
先看下实现的效果图下面看下代码使用 Canny(Mat image, Mat edges, double threshold1, double threshold2, int apertureSiz ...
《OpenCV3编程入门》学习笔记7 图像变换（一）基于OpenCV的边缘检测
第7章图像变换 7.1 基于OpenCV的边缘检测 7.1.1 边缘检测的一般步骤 1.滤波:边缘检测算法主要基于图像强度的一阶和二阶导数,导数对噪声敏感,所以要滤波 2.增强:确定图像各点邻域强度 ...
OpenCV+python：Canny边缘检测算法
1,边缘处理图像边缘信息主要集中在高频段,通常说图像锐化或检测边缘,实质就是高频滤波.我们知道微分运算是求信号的变化率,具有加强高频分量的作用. 在空域运算中来说,对图像的锐化就是计算微分.由于数字 ...
python+opencv Canny边缘检测
Step1:高斯滤波(低通滤波,用高斯滤波器平滑图像) 卷积/卷积核(对应相乘再相加) 原始图片外围加一圈0,为保证新图片与原始图片大小相同卷积核为3*3,外围补一圈0:卷积核为5*5,外围补两圈0 ...
Python，Opencv cv2.Canny()边缘检测
Python,Opencv的Canny边缘检测 1. 效果图 2. 源码参考这篇博客将介绍Canny边缘检测的概念,并利用cv2.Canny()实现边缘检测: Canny边缘检测是一种流行的边缘检 ...
数字图像处理:边缘检测(Edge detection)
转载自:https://zhuanlan.zhihu.com/p/59640437 觉得写得通俗易懂,要是每个人的博客都这么人性化.... 写在前面: 本文篇幅较长,用了大量图与公式帮助大家深入理解各 ...
CS131专题-3：图像梯度、边缘检测（sobel、canny等）
目录 1 前言 2 图像梯度 2.1 梯度公式的离散形式 2.2 图像的梯度表示 2.3 图像梯度的最简单计算方法 2.4 直接应用梯度找图像边缘的问题以及解决方案 3 边缘检测 3.1 好的边缘检测 ...

使用holyholes实现边缘检测

使用holyholes实现边缘检测相关推荐

最新文章

热门文章